Erforschung und Entwicklung eines hochperformanten Controllers mit Fokus auf KI-basierte Safety-Anwendungen; im Rahmen des Verbundvorhabens: Integrale agile E/E-Entwicklung für fusionierte und standardisierte Energie- und Datenbordnetze

Abstract

Derzeitiger Stand von Wissenschaft und Technik: Zum Projektbeginn nahm die Automatisierung von Fahrzeugen in verschiedenen Anwendungsfeldern bereits deutlich zu. Assistenzsysteme und erste autonome Funktionen gehörten zum Stand der Technik, gleichzeitig stießen klassische Bordnetz- und Steuergerätearchitekturen angesichts steigender Anforderungen durch automatisiertes und vernetztes Fahren an ihre Grenzen. Insbesondere für hochautomatisierte Fahrzeuge bestand Bedarf an neuen, leistungsfähigen und funktional sicheren Zonen- und Zentralkonzepten sowie an robusten Lösungen für KI-basierte Sensorverarbeitung und Datenfusion. Begründung/Zielsetzung der Untersuchung: Ziel des Teilvorhabens war die Erforschung und Entwicklung sicherer KI-Anwendungen auf einem hochperformanten Fahrzeugcontroller. Dazu sollten zonen- und domänenübergreifende Architekturen, sichere Kommunikations- und Datenverarbeitungskonzepte sowie Fehlfunktionsdetektionsmechanismen entwickelt werden. Ergänzend sollten spezifische Datensätze für das Testing erzeugt und die entwickelten Ansätze anhand repräsentativer Demonstratoren validiert werden. Damit sollte die Grundlage für eine neue Controller-Klasse für sichere KI-Anwendungen geschaffen werden. Methode: Im Projekt wurden Use-Cases konsolidiert und die Arbeiten im Kontext von Use-Case #2 durchgeführt. Die Untersuchung umfasste die Analyse eines KI-basierten Wahrnehmungssystems für Maschinen unter sicherheitsrelevanten Gesichtspunkten. Betrachtet wurden insbesondere das nicht-deterministische Verhalten von Deep-Learning-Modellen, Umwelteinflüsse auf Sensordaten, Sensorfusionsstrategien und Fehlerszenarien. Ergänzend wurde ein Image Quality Safety Model (IQSM) als Sicherheitsmonitor integriert, das Eingabebilder in Echtzeit bewertet. Die Wirksamkeit wurde unter anderem anhand degradierter Bilddaten mit einem Objekterkennungsmodell demonstriert. Ergebnis: Als Ergebnis wurden sichere Architekturen und Methoden für KI-basierte Wahrnehmungssysteme entwickelt und demonstriert. Das IQSM erlaubt die frühzeitige Erkennung kritischer Bildzustände wie Nebel, Verschmutzung oder Blendung und unterstützt damit die Vermeidung unsicherer KI-Reaktionen. Darüber hinaus konnte STW im Projekt relevantes Know-how im Bereich Safety Co-processing, sichere KI-Implementierung und zukünftige Fahrzeugarchitekturen aufbauen. Die Ergebnisse wurden zudem durch eine Patentanmeldung abgesichert und in wissenschaftliche Aktivitäten und Kooperationen überführt. Schlussfolgerung/Anwendungsmöglichkeiten: Die Projektergebnisse zeigen, dass sichere KI-basierte Fahrzeugcontroller und Wahrnehmungssysteme technisch realisierbar und wirtschaftlich anschlussfähig sind. STW plant auf Basis der Ergebnisse die Entwicklung eines neuen Produkts für sichere KI-Anwendungen. Die entwickelten Technologien sind nicht nur für mobile Maschinen relevant, sondern eröffnen auch Perspektiven für fahrzeugorientierte Outdoor-Robotik und angrenzende Märkte. Damit schaffen die Ergebnisse sowohl eine technologische als auch wirtschaftliche Grundlage für zukünftige Anwendungen. Current State of Science and Technology: At the inception of the project, the automation of vehicles in various fields of application was already increasing significantly. Advanced driver-assistance systems and initial autonomous functions represented the state of the art; simultaneously, traditional vehicle electrical system and control unit architectures were reaching their limits in the face of rising demands imposed by automated and connected driving. Particularly for highly automated vehicles, there was a need for new, high-performance, and functionally safe zonal and central architectural concepts, as well as for robust solutions for AI-based sensor processing and data fusion. Rationale/Objectives of the Study: The objective of this sub-project was the research and development of safe AI applications on a high-performance vehicle controller. To this end, cross-zonal and cross-domain architectures, secure communication and data processing concepts, and malfunction detection mechanisms were to be developed. Additionally, specific datasets for testing were to be generated, and the developed approaches were to be validated using representative demonstrators. The aim was thereby to establish the foundation for a new class of controllers for safe AI applications. Methodology: During the project, use cases were consolidated, and the work was conducted within the context of Use Case #2. The investigation involved the analysis of an AI-based perception system for machinery from a safety-critical perspective. Particular attention was paid to the non-deterministic behavior of deep learning models, environmental influences on sensor data, sensor fusion strategies, and failure scenarios. Furthermore, an Image Quality Safety Model (IQSM) was integrated as a safety monitor to evaluate input images in real time. Its effectiveness was demonstrated—among other methods—using degraded image data in conjunction with an object detection model. Results: As a result, safe architectures and methods for AI-based perception systems were developed and demonstrated. The IQSM enables the early detection of critical image conditions—such as fog, contamination, or glare—thereby supporting the prevention of unsafe AI responses. Furthermore, through this project, STW was able to build up relevant expertise in the fields of safety coprocessing, secure AI implementation, and future vehicle architectures. The results have also been secured by a patent application and integrated into scientific activities and collaborations. Conclusion / Potential Applications: The project results demonstrate that safe, AI-based vehicle controllers and perception systems are technically feasible and economically viable. Based on these findings, STW plans to develop a new product specifically for safe AI applications. The technologies developed are relevant not only for mobile machinery but also open up new prospects for vehicle-oriented outdoor robotics and adjacent markets. Thus, these results establish both a technological and an economic foundation for future applications.